语音合成 - 用 Python 合成藏语三大方言语音
通过使用藏语语音合成技术，可以把一段藏文文字，快速变成可用的音频，用在短视频、朗读、课件或字幕配音里。本文介绍一套 Python 脚本，可以直接合成藏语三大方言的语音：
- 卫藏方言：
facebook/mms-tts-bod([Hugging Face][1]) - 康巴方言：
facebook/mms-tts-khg([Hugging Face][2]) - 安多方言：
facebook/mms-tts-adx([Hugging Face][3])
它们都属于 Meta 的 MMS-TTS 系列，并且在 Transformers4.33+就能直接调用。([Hugging Face][3])
语音合成技术可以用来干什么？
语言学习短视频配音
每行一句藏文文字，批量合成音频；导入剪映等视频编辑工具，配字幕、配画面，快速出片。课件/朗读材料配音
把教材段落放进文本文件，生成“逐句音频 + 合并后的整段音频”，课堂或自学都方便。多方言对比
同一段藏文，用卫藏/康巴/安多方言各合成一版，做对比学习或演示。
准备工作
1）安装依赖
在命令行里执行：
pipinstall-U transformers accelerate torch soundfile numpy可选（推荐，但没有也能跑）：
pipinstall-U scipy2）准备一个文本文件（每行一句）
例如：sentences_tbt.txt
- 每行写一条藏文句子
- 空行会自动跳过
- 也可以写代码来把文本分割为句子
最简单的用法：改 3 行就能跑
新建文件：tibetan_tts_easy.py，复制下面全部代码。你只需要改最上面的三行：方言、输入文件名、输出目录。
这份脚本会同时生成：
- 逐句 wav：
adx_0001.wav、adx_0002.wav…- 合并后的整段 wav：
adx_full.wav
并且强制输出PCM_16，避免“播放器能播但剪映无声”的问题。
fromtransformersimportVitsModel,AutoTokenizerimporttorchimportsoundfileassfimportnumpyasnpimportosfrommathimportgcd# ========== 你只需要改这 3 行 ==========DIALECT="adx"# "bod"(卫藏方言) / "khg"(康巴方言) / "adx"(安多方言)INPUT_FILE="sentences_tbt.txt"OUTPUT_DIR="wavs_adx"# ===================================# 句子之间停顿（秒）GAP_SECONDS=0.2# 为了剪映/剪辑软件兼容：强制写 PCM16WAV_SUBTYPE="PCM_16"# 可选：统一采样率到 48000（更适合剪映/PR）TARGET_SR=48000# 不想重采样可改成 NoneDIALECT_MODELS={"bod":"facebook/mms-tts-bod",# :contentReference[oaicite:4]{index=4}"khg":"facebook/mms-tts-khg",# :contentReference[oaicite:5]{index=5}"adx":"facebook/mms-tts-adx",# :contentReference[oaicite:6]{index=6}}DEVICE="cuda"iftorch.cuda.is_available()else"cpu"defread_sentences(path):out=[]withopen(path,"r",encoding="utf-8")asf:forlineinf:t=line.strip()ift:out.append(t)returnoutdefnormalize(audio,target_peak=0.95):audio=audio.astype(np.float32,copy=False)peak=float(np.max(np.abs(audio))+1e-12)ifpeak>0:audio=np.clip(audio/peak*target_peak,-1.0,1.0)returnaudiodefresample_if_needed(audio,orig_sr,target_sr):iftarget_srisNoneortarget_sr==orig_sr:returnaudio,orig_srtry:importscipy.signalexceptImportError:print("[WARN] 未安装 scipy，跳过重采样，使用原采样率输出。")returnaudio,orig_sr g=gcd(orig_sr,target_sr)up=target_sr//g down=orig_sr//g audio2=scipy.signal.resample_poly(audio,up,down).astype(np.float32)returnaudio2,target_srdefmain():model_name=DIALECT_MODELS[DIALECT]print(f"Loading{model_name}on{DEVICE}...")model=VitsModel.from_pretrained(model_name).to(DEVICE)tokenizer=AutoTokenizer.from_pretrained(model_name)os.makedirs(OUTPUT_DIR,exist_ok=True)sents=read_sentences(INPUT_FILE)print(f"Loaded{len(sents)}lines from{INPUT_FILE}")ifnotsents:returnfull_path=os.path.join(OUTPUT_DIR,f"{DIALECT}_full.wav")full_writer=Nonefull_sr=Nonefori,textinenumerate(sents,start=1):inputs=tokenizer(text,return_tensors="pt").to(DEVICE)withtorch.no_grad():wav=model(**inputs).waveform.squeeze().cpu().numpy()wav=wav.reshape(-1)# 保证一维wav=normalize(wav)sr=int(model.config.sampling_rate)wav,sr=resample_if_needed(wav,sr,TARGET_SR)iffull_writerisNone:full_sr=sr gap=np.zeros(int(full_sr*GAP_SECONDS),dtype=np.float32)full_writer=sf.SoundFile(full_path,mode="w",samplerate=full_sr,channels=1,subtype=WAV_SUBTYPE,format="WAV")print("FULL:",full_path)seg_path=os.path.join(OUTPUT_DIR,f"{DIALECT}_{i:04d}.wav")sf.write(seg_path,wav,full_sr,subtype=WAV_SUBTYPE)full_writer.write(wav)ifGAP_SECONDS>0:full_writer.write(gap)print(f"[{i}/{len(sents)}]{seg_path}")full_writer.close()print("Done.")if__name__=="__main__":main()运行：
python tibetan_tts_easy.py导入剪映的最稳设置（避免“无声”）
你只要用上面脚本输出的 WAV（PCM_16），一般直接导入就会有波形和声音。原因是模型页本身给的是波形输出示例，但很多人保存时会写成 float WAV，剪辑软件兼容性不稳定；而 MMS 模型在 Transformers 4.33+ 可直接推理，这点在模型页也写得很清楚。([Hugging Face][3])
常见问题
1）能不能选“男声/女声/不同音色”？
就这三个 MMS 藏语方言 checkpoint 来说，你可以理解为：每个方言模型基本就是一个固定声音风格。它们主要提供“能把文本读出来”的能力，而不是“内置很多音色可选”的商业 TTS 音色库。([Hugging Face][3])
2）能不能控制语速？
对非技术用户，最稳的方式是：合成完再变速（不会影响能不能合成）。例如把音频加速 1.15 倍：
ffmpeg -y -i input.wav -filter:a"atempo=1.15"output.wav3）同一句话每次合成略有差别，正常吗？
正常。VITS 合成本身有非确定性；如果你希望“每次一样”，可以固定随机种子（Transformers 的 VITS 文档也专门提醒了这点）。([Hugging Face][4])
使用许可提醒（建议写在文末，避免踩坑）
这几个模型页面都标注了许可证为CC BY-NC 4.0（非商业）。如果你用于商业用途（付费课程、付费 App、广告变现等），务必先确认许可范围。([Hugging Face][3])